Complexity of picture narration and description in a healthy adult population : pilot study
Bibliographic record
Abstract
Η παρούσα ερευνητική εργασία είναι βασισμένη στην ανάλυση του περιγραφικού και αφηγηματικού λόγου, όροι οι οποίοι αποτελούν βάση για τη διεξαγωγή της. Η έρευνα βασίστηκε στην ανάλυση τριών ηλικιακών ομάδων ανδρών υγιούς πληθυσμού, των 21 εώς 50 ετών. Τα άτομα αυτά κλήθηκαν να συμπληρώσουν τις απαντήσεις του σταθμισμένου τεστ MOCA (Montreal Cognitive Assessment) και τη Κλίμακα Άγχους και Κατάθλιψης (HADS), καθώς και ενός γενικού ερωτηματολογίου. Στη συνέχεια, προχώρησαν στην περιγραφή τριών εικόνων, και συγκεκριμένα των εικόνων Cookie Theft, AST, CAT. Από την περιγραφή αυτή, ηχογραφήθηκε και συλλέχθηκε δείγμα λόγου και ομιλίας. Σκοπός την εργασίας είναι να διερευνηθεί και να αναλυθεί το κατά πόσο το δείγμα λόγου κάθε ατόμου επηρεάζεται από παράγοντες όπως: το εκπαιδευτικό υπόβαθρο, τη ψυχολογική κατάσταση, τις γνωστικές λειτουργίες, την ηλικία, τον τόπο καταγωγής, το χρόνο δαπάνης στα μέσα κοινωνικής δικτύωσης, τον τρόπο ενημέρωσης, τον τρόπο συγκράτησης πληροφοριών, την ανάγνωση βιβλίων, το ιστορικό γλωσσικής διαταραχής καθώς και την περιπλοκότητα της εικόνας. Βάσει των αποτελεσμάτων της έρευνας και κρίνοντας πάντα υπό το πρίσμα του μικρού αριθμού υποκειμένων μπορεί να ειπωθεί : 1) Το μορφωτικό επίπεδο μπορεί να επηρεάσει την πολυπλοκότητα αφήγησης και περιγραφής σταθμισμένης εικόνας 2) Το ηλικιακό γκρουπ 21-30 σημείωσε καλύτερη απόδοση στην καταμέτρηση κύριων γεγονότων 3) Ως περισσότερο περίπλοκη εικόνα κρίθηκε από τα υποκείμενα η AST ωστόσο, τα περισσότερα απόντα γεγονότα σημειώθηκαν στην CAT. Συγκεφαλαιώνοντας, τα αποτελέσματα καθώς και οι υποθέσεις είναι αρκετές, γύρω από τις παραμέτρους που εξετάστηκαν μέσω των εθελοντών συμμετεχόντων της παρούσας πτυχιακής εργασίας, οι οποίες δίνουν το έναυσμα για περαιτέρω συζήτηση και έρευνα γύρω από επιστημονικά θέματα που αφορούν τον τομέα της Λογοθεραπείας.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".